热点事件持续更新
研究人员提出用于癌症病理诊断的可扩展贝叶斯GPC框架
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年11月6日，研究人员在 arXiv 发布论文，提出了一种面向癌症组织病理学诊断的可扩展贝叶斯高斯过程分类（GPC）框架。该方法基于 Phikon 基础模型嵌入，结合 RPCholesky 分解与 HMC 采样技术，实现了对约 300,000 规模训练样本的支持。实验结果显示，在 PCam 和 CAMELYON17-WILDS 基准测试中，该框架相比神经网络等现有基线，将预期校准误差最多降低了 88%，假阴性率最多降低了 90%，有效提升了面对跨医院数据分布偏移时的不确定性校准能力。
AI 根据报道生成 · 3 小时前更新
最新进展11月6日 13:00
研究人员提出可扩展贝叶斯GPC框架，显著改善跨医院病理诊断的不确定性校准。报道时间线
沿着报道，了解事件的不同侧面。
11月6日
- arXiv 机器学习可扩展贝叶斯高斯过程分类用于癌症组织病理学：分布偏移下的不确定性校准
研究人员提出面向癌症组织病理学的可扩展贝叶斯高斯过程分类（GPC）框架，基于 Phikon 基础模型嵌入结合 RPCholesky 分解与 HMC 采样，支持约 300,000 规模的训练样本。在 PCam 与 CAMELYON17-WILDS 基准上，该方法相比神经网络等基线将预期校准误差最多降低 88%、假阴性率最多降低 90%，有效改善了跨医院分布偏移下的不确定性校准。
本事件热度走势
当前热度 9·可比范围峰值 10（11月6日 14:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。